谷歌研究院發(fā)文，公布了“Titans”系列模型架構(gòu)，相應(yīng)模型架構(gòu)最大的特點是采用“仿生設(shè)計”，結(jié)合了短期記憶、長期記憶和注意力機制，支持超過 200 萬個 Token 的上下文長度，目前相關(guān)論文已發(fā)布在 arXiv 上，谷歌計劃未來將 Titans 相關(guān)技術(shù)開源。
目前業(yè)界流行的 Transformer 模型架構(gòu)雖然在大多數(shù)場景表現(xiàn)優(yōu)秀，但其上下文窗口（Window）長度的限制，通常僅為幾千到幾萬個 Token，這使得它們在處理長文本、多輪對話或需要大規(guī)模上下文記憶的任務(wù)中，往往無法保持語義連貫性和信息準(zhǔn)確性。
而谷歌這一 Titans 系列模型架構(gòu)通過引入深度神經(jīng)長期記憶模塊（Neural Long-Term Memory Module）有效解決了相應(yīng)問題，其設(shè)計靈感號稱來自人類的記憶系統(tǒng)，結(jié)合了短期記憶的快速反應(yīng)與長期記憶的持久特性，并通過注意力機制來著重執(zhí)行當(dāng)前的上下文（著重于用戶即時輸入的提示詞，并保留對于以往提示詞的準(zhǔn)確記憶）。
IT之家參考論文獲悉，Titans 具有三種架構(gòu)設(shè)計變體，分別是 Memory as a Context（MAC）、Memory as a Gate（MAG）和 Memory as a Layer（MAL），可以根據(jù)不同的任務(wù)需求整合短期與長期記憶。其中“MAC”架構(gòu)變體將長期記憶作為上下文的一部分，允許注意力機制動態(tài)結(jié)合歷史信息與當(dāng)前數(shù)據(jù)，適合處理需要詳細歷史上下文的任務(wù)。“MAG”架構(gòu)變體則根據(jù)任務(wù)需求，調(diào)整實時數(shù)據(jù)與歷史信息的重要性比例，專注于當(dāng)前最相關(guān)的信息。
谷歌重點強調(diào)了“MAL”架構(gòu)變體，該架構(gòu)主要將記憶模塊設(shè)計為深度網(wǎng)絡(luò)的一層，也就是從模型設(shè)計層面，直接將用戶的歷史記錄和現(xiàn)在輸入的上下文內(nèi)容進行固定壓縮，之后交由模型的注意力模塊處理，因此效率相對較高，但輸出內(nèi)容效果不如“MAC”和“MAG”變體。
谷歌聲稱，Titans 系列模型架構(gòu)在長序列處理任務(wù)中的表現(xiàn)明顯優(yōu)于現(xiàn)有模型，無論是語言建模還是時間序列預(yù)測，Titans 在準(zhǔn)確性和效率上都展現(xiàn)了“壓倒性優(yōu)勢”，甚至在某些場景中超越了如 GPT-4 等具有數(shù)十倍參數(shù)的模型。 
